OpenAI의 최근 3개월간의 주요 성과는 에이전트 스웜을 활용한 테스트 타임 컴퓨팅 확장 덕분입니다. 저는 지난 1년간 오픈소스 버전을 개발해 왔는데, 여러분이 직접 사용해 보셨으면 좋겠습니다.

정확히 어떻게 작동하는지 요약이 필요한 분들을 위해 설명해 드립니다:

문제를 해결하기 위해 독립적인 접근 방식과 전략을 생성합니다. 모든 접근 방식은 하나의 '브랜치'가 되며, 각 브랜치는 병렬로 독립적으로 실행됩니다. 에이전트들은 특정 브랜치에 할당되어 해당 디렉토리 내에서 작업을 수행합니다. 작업은 여러 루프를 통해 자동으로 비판(critique)을 받습니다. 에이전트들은 다른 브랜치의 작업을 엿보거나 공유 워크스페이스 보드를 통해 직접 소통할 수 있습니다. 하네스(Harness)는 브랜치를 관찰하고 현재 상태를 압축된 형태로 유지합니다. 이를 사용하여 독립적인 에이전트를 파견해 '모듈'을 구축합니다.

모듈은 작업 생성 파이프라인에 직접적 혹은 간접적으로 도움을 줄 수 있는 독립적인 결과물입니다. 수학 문제의 경우, 현재 파이프라인이 실패하고 있는 문제 해결 과정에 대해 독립적으로 테스트/검증된 가설이 될 수 있습니다. 물리학의 경우 이론을 테스트하기 위한 관련 실험이 될 수 있고, 3D 게임 생성의 경우 3D 에셋이 될 수 있습니다. 더 중요한 점은, 작업 검증을 위해 환경으로부터 더 나은 신호를 제공하는 모듈이 될 수 있다는 것입니다. 따라서 프론티어 모델과 함께 사용하면 실제로 스스로 검증 하네스를 개선하게 됩니다.

브랜치는 '관찰'만 이루어지며, 이를 바탕으로 전략을 계속할지, 가지치기(Prune)할지, 혹은 진화시킬지가 결정론적으로 결정됩니다. 또한 회귀(regression)를 감지하고 현재 상황에 더 적합하다면 이전의 최적 반복 상태로 복구하기도 합니다.

정말 창의적이네요! 아주 멋진 접근 방식입니다, 공유해 주셔서 감사합니다.

모든 제공자는 사실 직접적으로 지원됩니다. 로컬 모델의 경우 제공자 섹션에 엔드포인트 URL을 입력하면 됩니다.
그리고 네, llama.cpp와 함께 사용할 수 있습니다. 다만 몇 가지 설정을 확인해야 할 수도 있습니다.

방금 레포에 스타 눌렀습니다. 오픈소스 프로젝트에서 Gemma 4와 Qwen을 사용해 Matharena 점수를 14%에서 65%로 올린 건 미친 수준이네요. 테스트 타임 스케일링 아키텍처를 네이티브로 구현하는 걸 보니 정말 멋집니다. 오늘 밤에 클론해서 몇 가지 테스트를 돌려볼 예정입니다. 공유해 주셔서 감사합니다.

나중에 보려고 스타를 누르려 했는데 이미 예전에 눌러놨었네요.